2026世界人工智能大会（WAIC）上，备受关注的AI管理创新论坛由神州数码和哈佛商业评论中国联合举办。论坛上，同济大学经济与管理学院副院长王洪伟教授发表了演讲《AI for Process：从任务智能到自主流程》。
    王洪伟以AI for Process为核心，直指当前企业AI应用的核心矛盾：个体效率提升无法自动转化为组织绩效增长，个人使用行为与组织行为之间存在难以逾越的价值鸿沟。演讲中，王洪伟从管理学视角拆解生成式AI的价值逻辑、发展路径与流程重塑范式，为企业“从拥有AI，到用好AI”提供了兼具学术深度与实践落地性的解决方案。以下是王洪伟演讲的观点集萃。

生成式 AI 的价值真相：从工具狂欢到战略锚点

    生成式AI的爆发始于2017年谷歌提出Transformer架构，这一被视作AI时代“创世之作”的技术突破，让大模型从学界走向产业，开启了指数级增长的发展浪潮。全球范围内，大模型各类版本数量已突破294万种。从OpenAI的ChatGPT到本土DeepSeek开源大模型，技术迭代不断刷新能力边界，在专业领域的表现甚至超越人类顶尖从业者，AI Coding、课程生成、智能助教等场景全面颠覆传统工作模式。
    技术的繁荣背后，是企业面临的残酷现实：麦肯锡调研显示，全球88%的企业已部署AI，其中仅有5%—7%实现显著财务提升。AI领先企业与传统企业在营收增长、利润率上的差距持续拉大，核心分水岭并非是否拥有AI，而是能否将AI融入企业战略，与流程再造深度结合。王洪伟指出，真正成功的AI应用，始终围绕大模型“理解与生成”的本质，将技术能力与管理逻辑深度绑定，而非停留在单点工具的使用层面。
    传统产业成为AI价值落地的优质场景，杭州万事利丝绸的实践便是典型案例。企业依托自研大模型，覆盖丝绸设计、染色、品控、市场推广全流程，以数字模特重构品牌形象，成功将用户群体从老龄化转向年轻化，实现AI投入与商业回报的正向循环。这一案例印证了传统产业场景明确、痛点真实、数据积淀深厚，与AI结合的价值转化效率更高。而成功的关键，在于AI与业务流程的深度融合，而非零散的技术应用。
    垂直领域大模型的实践同样验证了这一逻辑。同济大学依托全球领先的土木工程学科资源，整合专业书籍、论文、课题数据，打造土木工程垂直大模型，并对接数字人实现智能教学，彻底重构教育流程；软件学院的调整，更是基于AI Coding对传统人才培养的颠覆，以组织变革适配技术趋势。这些例子都表明，AI的价值不在于单点任务优化，而在于推动全流程的系统性再造。
    本土大模型的工程化创新，为中小企业AI落地扫清了障碍。DeepSeek基于Transformer架构，通过系统性工程优化，大幅降低训练与推理成本，实现性能与主流模型对齐，破解了效率与成本的矛盾，让中小企业得以低成本部署专属大模型，推动AI场景多元化、数据丰富化，进而激活产业生态的正向循环。这也为企业提供了清晰的路径：无需内卷基石模型研发，聚焦专业知识与通用大模型的融合，即可实现场景化价值落地。

生成式AI的出路：从开环问答到闭环智能体

    当前生成式AI的应用陷入误区，部分企业盲目追捧大模型，忽视了工业级场景的真实需求。市场研究数据显示，2032年AI与制造业结合的全球市场规模仅约64亿至100亿美金。腾讯研究院与毕马威的联合报告也指出，制造业核心生产环节仍以判别式AI小模型为主，生成式AI的渗透度极低。王洪伟教授认为，这并非生成式AI无用，而是单一大模型的开环问答模式，无法满足工业级场景的闭环需求，必须与智能体深度结合，才能释放技术潜力。
    需要注意的是，判别式AI与生成式AI并非对立关系，而是场景互补。判别式AI聚焦特定场景、依托有限数据解决精准问题，适配工业生产等稳定场景；生成式AI具备通用理解与生成能力，适合创新、决策等复杂场景。企业需保持理性，根据场景需求选择技术路径，避免陷入 “唯生成式 AI 论” 的泡沫。而生成式 AI 突破瓶颈的核心，在于与智能体融合，构建从感知、分析到执行、反馈的闭环体系。
    前OpenAI副总裁，现ThinkingMachines联合创始人翁荔（Lilian Weng）提出的智能体架构，为这一融合提供了底层支撑。智能体能够自主完成目标分解、任务规划、工具适配、执行反馈，结合长期与短期记忆，处理复杂跨流程任务。与单一大模型的被动问答不同，智能体具备主动感知、决策与执行能力，能够适应动态变化的环境，形成完整的业务闭环。这一技术范式，让AI从回答问题，转向完成任务，真正适配工业级、企业级的复杂场景需求。
    从技术演进来看，企业流程管理正经历四次范式跃迁：从早期的BPR、BPM流程执行，到RPA自动化流程，再到Copilot任务辅助，最终迈向智能体驱动的自主流程。这一过程中，流程从固定执行走向动态自治，AI从流程辅助走向流程核心，而有边界的自治成为核心原则——在合规、可控的规则框架内，赋予智能体自主优化流程的能力，既释放技术效率，又规避管理风险。

AI for Process：重塑企业流程的管理革命

    流程是企业运营的核心骨架，哈默提出的流程管理理念早已印证，一流的企业拥有一流的流程。传统流程设计根植于科层制组织，以唯上为导向，追求标准化、统一化，以对事不对人的SOP（标准操作流程）实现管控。这种一刀切的模式忽视了个性化需求与场景差异，成为效率提升的桎梏。AI for Process的核心，并非 AI in Process 的单点嵌入，而是让 AI 参与流程发现、理解、执行、监控、改进的全生命周期，实现端到端的流程重构。
    AI for Process推动企业流程实现三大核心转向。其一，从交易走向对话，打破流程节点的机械交互，以自然语言对话实现人机、流程间的高效协同；其二，从自动化走向有边界的自治，摆脱固定流程的束缚，在规则框架内实现流程自主优化，兼顾效率与管控；其三，从简化走向精致化，突破“流程越简单越好”的传统思维，以AI兜底实现个性化流程，让不同角色、场景适配专属流程，同时确保合规性与风险可控。
    场景选择与价值度量是 AI for Process 落地的关键。企业需结合流程结构化程度与风险等级，匹配差异化的AI应用策略，在客服、订单回款、制造维护等典型场景中，明确人机协同边界，以人类兜底保障流程稳定。而价值度量需构建三层体系：底层是任务效率指标，衡量单点任务的速度与质量；中层是流程健康指标，关注一次通过率、返工率、异常率等流程运营数据；顶层是经营指标，体现流程优化对财务、业务绩效的长期贡献。王洪伟教授强调，经营指标是慢变量，AI流程再造的价值需长期验证，唯有实现AI战略与企业整体战略的同频，才能达成效率到效益的最终转化。
    多个实践案例印证了AI for Process的落地价值。清华大学团队实现“一人+多智能体”的系统开发，颠覆传统瀑布式、敏捷开发模式；平高电气将智能体嵌入财务流程，自动完成月度合规报告生成；搭载大模型的机器人，能够自主接收指令、规划路径、应对环境变化，完成找水等动态任务，展现了感知、分析、执行、迭代的闭环能力。这些案例证明，AI 与流程的深度融合，能够重构业务逻辑，实现组织效能的质的飞跃。
    生成式AI的产业应用，已从工具普及的初级阶段，进入流程再造的深水区。王洪伟教授在WAIC上提出的企业AI价值落地方法论，本质上是一场管理范式的革命。不再追求个体AI工具的效率狂欢，而是聚焦个人使用到组织使用的鸿沟跨越，以流程为载体，将 AI能力转化为组织绩效与核心竞争力。
    从任务智能到自主流程，从开环问答到闭环协同，AI正在重新定义企业流程的本质。未来真正AI领先的企业，必然是将AI融入战略、嵌入流程、赋能组织的实践者。在技术与管理的双向奔赴中，AI for Process 不仅是企业数字化转型的必答题，更是智能时代商业价值创造的核心路径，推动企业从用AI，走向懂AI，最终实现技术与商业的共生共赢。